生成医学分割
提出了一种无需额外训练即可解决未知医学图像分割任务的通用方法,该方法通过使用基于所提出方法的 SAM(Segment Anything Model)图像编码器的一种新型低秩微调策略,与提示编码器和掩膜解码器一起微调标记数据集,实现新任务的泛化。该方法在不同部位的医学图像数据集上进行训练和泛化,并在其他地点数据集上使用心脏图像进行了验证,证明其在未知任务上的优越性能,并对所提方法的重要性能进行了全面分析和总结。
Nov, 2023
基于 Hamiltonian 变分自编码器(HVAE),提出了一种解决医学图像分割中训练数据不足挑战的端到端架构,通过改进传统变分自编码器(VAE)的后验分布近似,提高图像生成质量,在数据稀缺条件下优于生成对抗架构,实现了图像质量的优化和准确的肿瘤掩膜合成。在 MICCAI 的 Brain Tumor Segmentation Challenge(BRATS)和 Head and Neck Tumor Segmentation Challenge(HECKTOR)两个公开数据集上进行了实验,证明了我们方法在不同的医学成像模态上的有效性。
Nov, 2023
本文提出了一种新的医学影像生成对抗网络 (MI-GAN),可以用于合成视网膜图像及其分割掩模,以进行医学影像的监督分析,结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异,达到了当时的最佳状态。
Oct, 2018
我们提出了一种基于生成对抗网络(GANs)的新方法,用于使用标记和未标记的图像训练分割模型,并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后,我们报告了与完全监督训练相比的显着性能提高。
Oct, 2018
通过提出基于 Hamiltonian 变分自动编码器(HVAE)和区别性正则化的新的端到端混合架构,我们的方法可以准确估计图像和蒙版的联合分布,从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作,我们的架构可以快速且准确地分割 3D 体积,在 BRATS(MRI 模态)和 HECKTOR(PET 模态)两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。
Jun, 2024
GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型,以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型,即使在开放性的数据集上也表现良好。
Oct, 2022
该论文提出了一种基于变分模型的分割网络,通过将 Mumford-Shah 模型中的手动制定的规则项替换成数据自适应的通用可学习规则项,利用多网格框架进行展开,从而提供更好的普适性和可解释性,实现了可学习先验信息的结构设计,尝试通过这种方法改进图像分割结果。
Jun, 2023
本文探讨了 Transformer 网络架构在医学图像分割任务中的可行性,并提出了一种 Gated Axial-Attention 模型和 Local-Global 训练策略以提高模型性能。实验表明,在三组不同的医学图像数据集上,该 Medical Transformer 模型优于卷积和其他相关的 Transformer-based 架构。
Feb, 2021
本文提出了一种新颖的方法来增强测试时间内的医学图像分割,通过将生成模型整合到测试时间扩充中,可以有效地生成给定测试样本的多个视图,从而提高分割结果的可靠性。
Jun, 2024